論文の概要: Consciousness-ECG Transformer for Conscious State Estimation System with Real-Time Monitoring

• arxiv url: http://arxiv.org/abs/2511.02853v1
• Date: Fri, 31 Oct 2025 05:53:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.169016
• Title: Consciousness-ECG Transformer for Conscious State Estimation System with Real-Time Monitoring
• Title（参考訳）: リアルタイムモニタリングによる意識状態推定システムのための意識-ECG変換器
• Authors: Young-Seok Kweon, Gi-Hwan Shin, Ji-Yong Kim, Bokyeong Ryu, Seong-Whan Lee,
• Abstract要約: 非侵襲的で信頼性の高い意識状態推定に心電図(ECG)信号を利用する変圧器を提案する。 我々のアプローチでは、意識状態と無意識状態を区別する心拍変動特性を効果的に捉えるために、クエリアテンションを分離したトランスフォーマーを用いている。 本研究は,心電図に基づく意識モニタリングが患者の安全性を高め,意識状態の理解を深める可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 40.49243145490585
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conscious state estimation is important in various medical settings, including sleep staging and anesthesia management, to ensure patient safety and optimize health outcomes. Traditional methods predominantly utilize electroencephalography (EEG), which faces challenges such as high sensitivity to noise and the requirement for controlled environments. In this study, we propose the consciousness-ECG transformer that leverages electrocardiography (ECG) signals for non-invasive and reliable conscious state estimation. Our approach employs a transformer with decoupled query attention to effectively capture heart rate variability features that distinguish between conscious and unconscious states. We implemented the conscious state estimation system with real-time monitoring and validated our system on datasets involving sleep staging and anesthesia level monitoring during surgeries. Experimental results demonstrate that our model outperforms baseline models, achieving accuracies of 0.877 on sleep staging and 0.880 on anesthesia level monitoring. Moreover, our model achieves the highest area under curve values of 0.786 and 0.895 on sleep staging and anesthesia level monitoring, respectively. The proposed system offers a practical and robust alternative to EEG-based methods, particularly suited for dynamic clinical environments. Our results highlight the potential of ECG-based consciousness monitoring to enhance patient safety and advance our understanding of conscious states.
• Abstract（参考訳）: 睡眠時ステージングや麻酔管理など様々な医療環境において、患者の安全を確保し、健康状態を最適化するために、意識的な状態推定が重要である。 従来の方法では、主に脳波(EEG)を利用しており、ノイズに対する高い感度や制御された環境の要求といった課題に直面している。 本研究では,心電図(ECG)信号を非侵襲的で信頼性の高い意識状態推定に用いる意識-心電図変換器を提案する。 我々のアプローチでは、意識状態と無意識状態を区別する心拍変動特性を効果的に捉えるために、クエリアテンションを分離したトランスフォーマーを用いている。 本研究では,リアルタイムモニタリングによる意識状態推定システムを実装し,手術中の睡眠時ステージングと麻酔レベルのモニタリングを含むデータセットを用いてシステムの有効性を検証した。 実験により,本モデルがベースラインモデルより優れ,睡眠時0.877,麻酔時0.880の精度が得られた。 さらに, 睡眠時および麻酔レベルのモニタリングにおいて, 曲線値0.786, 0.895の最も高い面積を達成できた。 提案システムは脳波ベースの手法に代わる実用的で堅牢な代替手段を提供し、特に動的臨床環境に適している。 本研究は,心電図に基づく意識モニタリングが患者の安全性を高め,意識状態の理解を深める可能性を明らかにするものである。

関連論文リスト

• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• AI on the Pulse: Real-Time Health Anomaly Detection with Wearable and Ambient Intelligence [4.494833548150712]
  我々は、患者を継続的に監視する現実世界の異常検知システムであるPulseにAIを導入する。 SoTA(State-of-the-art)のユニバーサル時系列モデルであるUniTSによって、我々のフレームワークは患者のユニークな生理的および行動的パターンを自律的に学習する。
  論文  参考訳（メタデータ） (2025-08-05T13:24:15Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• ECG-Based Patient Identification: A Comprehensive Evaluation Across Health and Activity Conditions [0.0]
  本稿では,心電図信号を用いた医療システムにおける患者識別のための新しいアプローチを提案する。 畳み込みニューラルネットワーク(CNN)は、心電図信号から派生した特定のタイプの画像である心電図に基づいてユーザを分類するために使用される。 提案した同定システムは複数のデータベースで評価され、健常者では99.84%、循環器疾患では97.09%、健常者および不整脈患者では97.89%である。
  論文  参考訳（メタデータ） (2023-02-13T17:14:55Z)
• Continuous Non-Invasive Eye Tracking In Intensive Care [31.348963275486494]
  デリリウムは急激な混乱状態であり、集中治療室でよく見られる。 現在の診断法にはいくつかの制限があり、眼球運動による視線追跡が提案されている。 このシステムは、ICUに配備された最初のアイトラッキングシステムである。
  論文  参考訳（メタデータ） (2021-07-23T16:19:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。